基于不同下垫面的农业干旱遥感监测方法与发展前景
张瑶瑶, 崔霞, 宋清洁, 朱高峰
兰州大学资源环境学院 西部环境教育部重点实验室,甘肃 兰州 730000
通信作者:崔霞(1984-),女,甘肃民勤人,讲师,博士,研究方向为环境遥感及应用。E-mail:xiacui@lzu.edu.cn

第一作者:张瑶瑶(1994-),女,河北邢台人,在读硕士生,研究方向为干旱遥感监测。E-mail:zhangyaoyao16@lzu.edu.cn

摘要

干旱是我国农业面临的主要自然灾害之一。利用遥感手段监测农业干旱,针对作物生长发育过程中不同下垫面状况选取适用的监测指标,可以及时、有效地评估干旱对作物生长的影响,从而为各级政府部门制定防灾减灾政策提供重要的依据。本文总结了目前广泛应用的基于不同下垫面状况的农业干旱遥感监测方法,并将这些方法分为适用于裸露地表与低植被覆盖条件的监测方法、适用于中高植被覆盖条件的监测方法及适用于各种下垫面状况的综合监测方法。在此基础上,对未来农业干旱遥感监测发展方向进行了研究与探讨:1)监测数据源由单一数据源向多源数据转变;2)监测指标由单一的气象监测指标向气象、卫星遥感与作物生理物理特征相结合的综合监测指标转变;3)逐步实现“3S”技术集成与数据共享。

关键词: 农业干旱; 下垫面; 遥感监测; 归一化植被指数
中图分类号:S127 文献标志码:A 文章编号:1001-0629(2017)12-2416-12 doi: 10.11829/j.issn.1001-0629.2017-0080
The agricultural drought remote sensing monitoring methods and prospects based on different underlying surface conditions
Zhang Yao-yao, Cui Xia, Song Qing-jie, Zhu Gao-feng
Key Laboratory of Western China’s Environmental Systems(Ministry of Education), College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, Gansu, China
Corresponding author: Cui Xia E-mail:xiacui@lzu.edu.cn
Abstract

Drought is one of the major natural disasters for China’s agricultural industry. By selecting asuitable monitoring index based on land surface conditionsduring different growth periods of crops, remote sensing monitoring ofagricultural drought can timely and effectively evaluate the effect of drought on crop growth and provide animportant source for decisions to be made by thegovernment. The present study summarized the widely used agricultural remote sensing monitoring methods, which were based on different land surface conditions. These methods weredivided into three classes: monitoring methods based on bare surface or low vegetation cover, monitoring methods based on high vegetation cover, and integrated monitoring methods based on all land cover conditions. In addition, the future development directions of agricultural remote sensing drought monitoring werestudied and discussed, and included: 1) monitoring data beingtransformedfrom asingle data source to multi-source data; 2)monitoring indicatorschangingfrom single meteorological monitoring indicators to acomprehensive monitoring index, which integratesmeteorological, satellite remote sensing with crop physiological and physical characteristics; 3) the 3S technology integration and data sharing.

Keyword: agricultural drought; land surface; remote sensing monitoring; monitoring methods; normalized difference vegetation index

我国是一个农业大国, 农业干旱是影响我国农业生产最主要的自然灾害。农业干旱是在一定生产水平下多层次(大气、作物、土壤、水文、人类活动层)致旱因素相互作用于农业所造成的水分亏缺失调而导致作物减产[1]。它涉及大气、土壤等多方面因素, 不仅是一种物理过程, 而且与生物过程和社会经济有关[2]。农业干旱是一种极复杂的干旱类型, 不仅不同作物对遥感监测指数的敏感性不同, 即使同一种作物在不同的发育阶段对遥感监测指数的敏感性也有差异。作物不同生长发育阶段会表现出不同的形态特征, 其地表覆盖程度也有所差异, 这些会影响到干旱监测指数的选择, 进一步导致监测结果的不一致[3]。作物不同发育阶段适用的遥感监测指标可以根据其生长特征和植被覆盖度进行划分。

1 干旱遥感监测研究背景

传统的农业干旱监测主要是利用地面观测站点的降水量、气温等数据间接地判断干旱, 常用的方法有帕尔默干旱指数、标准降水指数、Z指数等。地面站点监测在干旱监测中发挥了重要的作用, 但也有局限性:1)由于经济条件的限制, 一些地区的地面观测设备不够精良或出现不同程度的破损, 会影响数据的精度和可靠性; 2)地表温度、风速、蒸散量、相对湿度等气象数据需要长时间持续的观测; 3)单点采样需要花费大量的人力、物力和财力, 速度慢, 观测范围有限。

近年来, 遥感以其客观、及时、经济、覆盖范围广、数据连续等特点, 弥补了地面站点的不足, 已被证明是农业干旱监测中最具前景的技术手段[4]。相比于传统的地面观测, 卫星遥感监测以较短时间获取尽可能丰富的空间信息, 具有宏观性、周期性的特征, 能实现快速的定量分析, 提高了数据的空间分辨率, 更适合全球性、区域性的干旱监测。

2 不同下垫面状况的农业干旱遥感监测方法综述
2.1 基于裸露地表、低植被覆盖的遥感干旱监测方法

作物生长前期, 地表裸露或由稀疏植被覆盖, 土壤水分的监测基本不受植被冠层温度的影响, 而与土壤特性有关。这一时期农业干旱监测方法的构建主要基于土壤水分状况(表1)。

2.1.1 热惯量法 热惯量是物质自身的一种热学特性, 可以用来表征土壤的热变化。土壤中的水分含量会影响土壤的热传导率和比热容, 而热传导率和比热容又与土壤热惯量密切相关, 根据这个关系可以利用热惯量来反演土壤水分。热惯量法虽物理意义明确, 但所需参数不易获取且计算复杂。Price[5]在地表热量平衡的基础上, 对原始的热惯量进行改进, 提出了表观热通量(apparent thermal inertia, ATI)的概念, 并将ATI定义为:

ATI=(1-A)/(Tmax-Tmin )。 (1)

式中:A是全波段反照率, Tmax为一天中最高温度, Tmin为一天中最低温度。在实际研究中, 通常用表观热通量近似地代替真实热惯量。ATI可以有效地反演土壤水分, 从而用于农业干旱监测。其主要适用于裸露土壤或作物生长前期的土壤水分监测[6, 7], 这是因为当植被覆盖度较高时, 遥感得到的是土壤和植被的混合信息, 会掩盖土壤本身的热特性, 降低反演精度[8]。当应用到裸地或低植被覆盖区时, 热通量法监测效果较好, 得到的结果比较准确、直观[9], 而在较高植被覆盖区, 热惯量法会失效[10]

2.1.2 垂直干旱指数 詹志明等[11]利用Landsat ETM+遥感影像近红外、红光波段反射率, 建立了NIR-Red光谱特征空间, 来分析植被覆盖状况、土壤含水量与NIR-Red特征空间之间的关系。如图1所示, A-E-D边描述了植被覆盖从全覆盖到裸地的变化趋势, B-D-C边描述了土壤水分变化, 基于此规律, 通过计算NIR-Red特征空间任一点E到直线L的距离, 可以建立基于NIR-Red特征空间的水分监测模型— — 垂直干旱指数(perpendicular drought index, PDI), 表示为:

PDI= 1M2+1(RRed+M· RNir)。 (2)

式中:RRedRNir分别表示大气订正后的红光与近红外波段反射率, M表示土壤线的斜率。PDI直接利用光谱特征, 避免了反照率和地表温度的反演, 获取简单, 更适宜于植被生长初期或裸露地表条件[12]。PDI与土壤水分呈负相关关系, 其与各土层深度的土壤水分无偏相关系数均大于0.7, 拟合效果较好[13]。相较于其他植被指数, PDI对干旱变化的敏感性较高, 可以实现对旱情变化的快速监测, 在农业区尤其是雨养农业区的适用性好[14]

表1 基于裸露地表、低植被覆盖的农业干旱遥感监测方法及其适用性和局限性 Table 1 Adaptations and limitations of agricultural drought remote sensing monitoring based on bare surface and low vegetation coverage

图1 基于NIR-Red光谱特征的PDI指数原理Fig. 1 The principle of the perpendicular drought index based on NIR-Red spectral features

2.1.3 归一化多波段干旱指数 植被冠层能强烈吸收近红外(860 nm), 而土壤和植被水分在吸收短波红外(1 640和2 130 nm)时存在差异, 利用这种关系可以获取土壤水分信息。Wang和Qu[15]提出了基于3个波段的归一化多波段干旱指数(normalized multi-band drought index, NMDI), 可以表示为:

NMDI= R860nm-(R1640nm-R2130nm)R860nm+(R1640nm+R2130nm)。 (3)

式中:R为反射率, R860 nmR1460 nmR2130 nm分别表示MODIS数据在860、1 640和2 130 nm这3个波段的反射率。860 nm可以较好地反映植被, 1 640 nm波段和2 130 nm波段的反射率可以有效削弱大气干扰而获取土壤与植被水分含量, 这3个波段的有效组合可以更好地反映农田土壤水分的变化。NMDI对土壤湿度的变化反应比较灵敏, 对比分析不同时像的NMDI遥感图像, 发现其与0-50 cm土层深度的土壤墒情相关性显著, 且通过了0.01水平的显著性检验。已有研究发现, NMDI在植被覆盖度较低时(作物生长前期)反演土壤水分效果要好于植被覆盖度高时[16]

2.1.4 表层水分含量指数 为更好地反映表层水分的含量, 杜晓等[17]基于水的吸收曲线和土壤反射率曲线特征, 构建了一种新的干旱监测指数— — 表层水分含水量指数(surface water content index, SWCI), 可以表示为:

SWCI= R6-R7R6+R7。 (4)

式中:R6R7分别表示MODIS数据第6、第7波段的反射率。考虑到植被和土壤的混合差异, 组合MODIS第6波段和第7波段得到的干旱指数能够较好地反映地表含水量。对比SWCI、NDVI与实测土壤墒情的相关性, 可以发现SWCI与0-50 cm土层深度土壤墒情的相关系数均大于NDVI与0-50 cm土层深度土壤墒情的相关系数, 由此可见, 表层水分含量指数SWCI与0-50 cm土层深度土壤墒情的相关性较好, 在反演表层土壤水分方面具有较高准确度, 但在反演较深层的土壤水分时会出现误差。

2.2 基于中、高植被覆盖的遥感干旱监测方法

作物生长中后期, 植被覆盖度较高, 此时遥感干旱监测指标的选取除了要考虑土壤水分条件外, 还要充分考虑到植被因素。因此, 中、高植被覆盖下的遥感干旱监测指数多是基于土壤水分和植被因子构建的(表2)。

2.2.1 植被指数 归一化植被指数(normalized difference vegetation index, NDVI)是植被指数中运用最广泛的, 同时也是指示植被生长状态及覆盖度的最佳因子[18]。据研究, NDVI与植被覆盖度、叶面积、叶绿素等植被生理参数密切相关, 因此, 其能反映出植被冠层的背景影响(如土壤、粗糙度等), 也可以被用来监测植被生长状态、植被覆盖度。通常将NDVI定义为:

NDVI= RNIR-RRedRNIR+RRed。 (5)

式中:RNIR是近红外波段反射率, RRed是红光波段反射率。NDVI与年平均温度和年降水量之间呈显著相关关系(P< 0.05)[19]。气温和降水是作物生长过程中的主要限制性因子, 也是影响NDVI变化的主要因素, 有研究表明, 干旱半干旱区NDVI的变化主要受降水的影响[20]。作物生长初期, NDVI会过高估计植被覆盖度, 易使计算形成偏差[21], 作物生长后期因饱和会导致NDVI值过低, 因此, NDVI更适用于植被发育中期或中等覆盖度的植被监测[22]

NDVI受大气、土壤和冠层等背景影响, 在高生物量区易发生饱和[23], 而增强型植被指数(enhanced vegetation index, EVI)[24]能有效地削弱大气、植被等背景所造成的影响, 即使在植被覆盖率高的地区也不会发生饱和。条件植被指数(vegetation condition index, VCI)[25]可以反映NDVI波动的相对偏差[26], 消除因地理位置、气候类型等不同而造成的NDVI地区差异, 可用来指示区域级的干旱情况。但是, VCI易受物候变化的影响, 因此只适用于物候稳定期(如植被生长中后期)。

2.2.2 改进型垂直干旱指数 由于受植被覆盖的影响, PDI在监测干旱时易将植被区误判为干旱区。为解决这一问题, Ghulam等[27]在综合考虑土壤湿度和植被生长特征因子的基础上, 引入植被覆盖度因子(fv)来改进垂直干旱指数, 建立了新的干旱监测指数— — 改进型垂直干旱指数(modified perpendicular drought index, MPDI)。

MPDI= 11-fv(PDI-fv· PDI)。 (6)

修正的垂直干旱指数MPDI可以较好地反映表层土壤水分的变化, 并适宜于时序变化监测[28]。PDI与MPDI与0-20 cm深度土壤湿度皆呈负相关指数关系, 稀疏植被条件下, R2分别为0.319 7和0.329 1, MPDI改进效果不明显, 但是在茂密植被覆盖下, R2分别为0.434 6和0.502 7, MPDI改进效果比较明显。MPDI对干旱变化的响应比PDI敏感, 在监测农业干旱尤其是作物长势较好地区的农业干旱时效果更好[29]。改进型垂直干旱指数可以对地表情况进行实时监测, 作物生长初期植被覆盖度较低时使用PDI, 作物生长中后期植被覆盖度较高时使用MPDI, 综合使用这两种模型对农田旱情进行监测可以提高监测精度[30]

2.2.3 作物缺水指数 Jackson和Idso[31, 32]基于能量平衡提出了水分胁迫指数(crop water stress index, CWSI), 用来评价植物受水分的胁迫指数。CWSI的理论模型为[33]:

CWSI=1- ETET0。 (7)

式中:ET是实际蒸发量, ET0是潜在蒸发量。相较于其他指数(如植被供水指数), CWSI在植被覆盖地区精度较高, 监测效果好, 有效地反映了作物的干旱程度。作物缺水指数模型物理意义明确, 但涉及许多参数, 计算复杂, 对作物缺水指数模型进行简化是十分必要且可行的。基于能量平衡简化的作物缺水指数模型, 涉及的因子减少, 计算量明显降低, 更方便应用到

表2 基于中高植被覆盖的农业干旱遥感监测方法及其适用性和局限性 Table 2 Adaptations and limitations of agricultural drought remote sensing monitoring based on high vegetation coverage

实际生活中[34]。另一方面, CWSI的要素很大程度上依赖于地面观测站, 如果研究区域范围大, 所需参数的获取就成为亟待解决的问题, 而且易受地形、植被等要素的影响, 在植被覆盖度高的情况下易低估旱情, 而在城镇密集地区又会高估旱情[35]

2.2.4 农田浅层土壤湿度指数 当前, 许多监测指数并不能很好地反映农田浅层的土壤水分变化, 为此, 张红卫等[36]构建了农田浅层土壤湿度指数(cropland soil moisture index, CMSI), 将MODIS第1、第2、第6和第7通道加以融合来反映农田浅层的土壤水分变化, 该指数可以表示为:

CMSI= R2×R7-R1×R6R2×R6-R1×R7。 (8)

式中:R1R2R6R7分别表示MODIS第1、第2、第6和第7通道的反射率。CSMI考虑了农田浅层和较深层的土壤水分变化, 可以有效解决因植被覆盖度变化而引起的土壤水分监测不精的问题。分析SWCI与0-50 cm深度土壤湿度的相关性, 发现其相关性较高, 均在0.7以上, 且通过0.01水平的显著性检验。波段1和波段2可以反映深层土壤水分对植被指数的影响, 波段6和波段7可以反映较浅层农田的土壤水分, 这4个波段的有效结合较好地反映了农田浅层的土壤水分变化, 适合应用于植被生长中后期, 植被覆盖度较高的情况。

2.3 综合遥感干旱指数

目前, 大多数的干旱监测指数或适用于裸地、低植被覆盖条件下(如热惯量法、微波遥感法), 或适用于中高植被覆盖条件下(如植被指数), 很少能在不同覆盖程度的地表均适用。综合遥感干旱指数可用于作物发育不同阶段的干旱监测, 也可根据作物生长过程中的不同时期进行改良调整。

2.3.1 植被供水指数 水分充足时, 植被指数和冠层温度会保持在一定的范围内, 一旦发生水分不足的情况, 植被指数会降低, 植被冠层因缺水导致温度升高。根据这一原理, 综合地表温度监测指标和植被指数监测指标, 建立了一种可用于农业干旱监测的综合指标— — 植被供水指数(vegetation supply water index, VSWI), 并定义为:

VSWI= NDVITs。 (9)

式中:NDVI为归一化植被指数, Ts为植被冠层温度。利用NDVI和Ts构建的植被供水指数与土壤湿度(尤其是10 cm深度处)相关性较高, 可以准确反映干旱情况[37]。已有研究表明, VSWI在监测农业干旱时具有更好的稳定性和优异性, 在整个冬小麦(Triticum aestivum)生长序列上稳定性最好[38]。植被稀疏的半干旱区, 植被指数易受土壤背景的影响, 在NDVI的基础上增加土壤调节系数, 对植被供水指数加以改进, 以调整植被指数(MASVI)代替NDVI, 可以消除土壤背景的影响, 从而提高监测效果[39]

2.3.2 温度植被干旱指数 许多研究表明, 当研究区植被覆盖从裸地到全覆盖, 土壤湿度由极干旱到极湿润, 由遥感数据所获取的植被指数(NDVI)与地表温度(LST)的散点图往往呈三角形或梯形(图2)。

Sandholt等[40]基于植被指数和地表温度的经验关系, 建立了温度植被干旱指数(temperature vegetation dryness index, TVDI)。

图2 简化的NDVI-Ts二维特征空间Fig. 2 Simplified two-dimensional feature space of NDVI and LST

TVDI= LSTi-(a2+b2×NDVI)(a1+b1×NDVI)-(a2+b2×NDVI。 (10)

式中:LSTi为陆地表面温度, a1、b1和a2、b2分别为干边和湿边的回归方程系数。Tmax=(a1+b1× NDVI)为干边, 即研究区内某一时期的同一NDVI值对应的最高地表温度, Tmin=(a2+b2× NDVI)为湿边, 即NDVI值对应的最低地表温度。TVDI基本上能反映表层土壤湿度状况, 利用该指标进行农业干旱监测是可行的[41]。TVDI反演精度较高, 所需数据获取方便, 利用MODIS、AVHRR等遥感数据便可进行大尺度的干旱监测, 在干旱监测中得到较好的应用[42]

但是, TVDI在很大程度上受植被指数的影响, 在高、低植被覆盖条件下的敏感性不同, 当研究区植被覆盖度过高(> 80%)时, NDVI会因为饱和不能很好反映植被状况, 导致基于Ts-NDVI空间特征的作物干旱监测精度大大降低[43]。因此, 可基于土壤调整型植被指数(soil-adjusted vegetation index, Ts-SAVI)和比值植被指数(ratio vegetation index, Ts-RVI)特征空间构建新的温度植被干旱指数[44, 45], 从而提高作物干旱监测的精度。

2.3.3 波文比指数 地表水热状况的变化会影响到植被指数和地表的温度, 而通过植被指数和地表温度可以间接地反映土壤水分状况, 进而反映到干旱上。因此, 反映地表水热特性的因子(如波文比、反照率、地表温度)可被用于干旱监测模型的建立, 通过对模型相关因子在不同时空的差异分析来达到监测干旱的目的。郝小翠等[46]引入能综合反映地表水热特征的波文比, 基于能量平衡构建了波文比干旱监测模型, 波文比模型为:

β =H/LE。 (11)

式中:β 为波文比, H为感热通量, LE为潜热通量。在对比分析波文比指数、温度植被指数与土壤水分相关性后, 发现波文比指数β 与0-20 cm土层深度的土壤相对湿度相关性更好, 在裸土和植被的混合地表均有较好的监测效果。但是, 波文比涉及的参数较多, 某些参数(如温度)的变化具有季节性和波动性, 使β 与土壤相对湿度的关系不具有普遍意义。

表3 综合农业干旱遥感监测方法及其适用性和局限性 Table 3 Adaptations and limitations of agricultural drought remote sensing monitoring based on comprehensive method

2.3.4 能量指数 当土壤干燥时向外放出的长波辐射会增强, 地表温度和冠层温度会随之升高; 当土壤湿润时长波辐射会减弱, 地表温度和冠层温度也会降低。基于这个原理并根据土壤热力学理论, 张文宗等[47]提出能量指数, 用遥感来监测农业干旱, 该方法弥补了热惯量法难以同时获取昼夜无云资料的局限性, 同时在理论上更加符合植物冠层温度与土壤水分呈反比的规律。实际监测应用结果表明, 能量指数能较好地反映旱情空间分布和发展过程, 更适合农作物土壤水分的监测, 可应用于各种植被覆盖条件下以及各种土层深度的干旱监测[48], 监测效果明显优于其他干旱指数, 精度可在87%以上。不同下垫面状况的农业干旱遥感监测方法及其适用性和局限性如表3所列。

3 农业干旱遥感技术的发展前景
3.1 多源遥感数据的融合

不同生长发育阶段, 农业干旱具有不同的表现和特征, 因此在监测农业干旱时要有实时的、高精度的数据。遥感技术应用于农业干旱监测研究以来, 形成了多数据源、多方法的干旱遥感监测体系[49]。干旱监测的遥感数据源主要有3种:多光谱数据、高光谱数据和微波数据。其中, 多光谱数据源是当前遥感农业干旱监测的主要数据源。高光谱数据分辨率高、波段多、信息量丰富, 但其数据量大且获取不易, 波段选择和信息提取复杂, 这些特点制约其在大面积干旱监测中的应用。微波数据不受云干扰, 可全天观测, 但是在监测土壤湿度时容易受到地表参数的影响。每一种数据源都有各自的优势和局限性, 为了保证数据的连续性、精确性, 可以使用多种方法综合利用多源遥感数据。

融合多源遥感数据的目的在于将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合, 提高遥感数据的可应用性和对地物的识别能力。多源遥感数据融合从层次上可分为:基于像元的融合、基于特征的融合以及基于决策的融合。多源遥感数据的融合是干旱监测发展方向之一[50]

多源遥感数据的融合可以将不同遥感数据的优势综合起来, 弥补单一图像上信息的不足, 从而扩大了各自信息的应用范围, 提高了遥感数据的可应用性, 另一方面也使得农业干旱监测的精度和准确性大大提升。卫星观测数据产品的增加提高了多源数据监测干旱的能力[51]。然而, 大量的数据也带来一些科学挑战, 如不确定性的评估、数据量的管理、多元数据的融合与合并以及不同观测、数据集一致性的保证。

3.2 建立复合和多重指标的综合干旱模型

多源数据融合的干旱综合监测模型是研究农业干旱监测问题的新途径, 在解决干旱监测复杂性问题中有着较大的应用潜力。相关研究表明, 单个监测指标由于自身的局限性, 往往不能准确地描述旱情, 因此, 农业干旱监测应该基于多个变量或指标, 使干旱监测更有力、更可信。Brown等[52]通过分类回归树的方式提出了植被干旱响应指数(vegetation drought response index, VegDRI), 这一模型整合了基于气候的干旱指标、基于卫星的植被指数以及其他生物物理信息, 但它主要是基于NDVI建立的, 而NDVI不能确定植被受胁迫的根本原因。因此, 可以将VegDRI和帕默尔干旱强度指数(PDSI)结合, 并与卫星获取的NDVI信息共同分析, 以获得干旱监测的预期结果[53]。Zhou等[54]利用量化的综合表面干旱指数(ISDI), 确定了2001-2013年中国的干旱时空类型及变化趋势, 这一指数融合了9个变量, 包括2个气象干旱指标、2个空间持续变量以及5个生物物理数据集, 将干旱强度分布与中国生态地理分区结合起来。杜灵通等[55]使用MODIS和热带降水测量任务(tropical rainfall measuring mission, TRMM)卫星等多源遥感数据, 综合考虑土壤水分胁迫、植被生长状态和气象降水盈亏等因素, 利用空间数据挖掘技术, 构建了综合干旱监测模型— — 综合干旱指数(synthesized drought index, SDI), 为综合评估区域农业干旱提供了一种新方法。建立复合和多重指标的干旱模型, 综合考虑影响农业干旱发生与发展的多重因素(如气象因素、生物物理因素等)能提高指数模型的准确性, 从而使干旱监测结果更精准, 更有效地应用于防旱减灾工作中。农业干旱遥感监测的一个极为重要的发展方向是:指标由单一的气象监测指标转向气象、卫星遥感与作物生理物理特征相结合的综合监测指标转变。但需注意的是, 使用多指标进行综合农业干旱评估有一个前提, 即所选指标提供的信息彼此独立、互不相关。

3.3 “ 3S” 技术集成与数据共享

目前, 国际上“ 3S” 的应用开始向集成化方向发展。全球定位系统(global positioning system, GPS)主要用于实时、快速地提供目标的空间位置, 定位精度高, 地理信息系统(geographic information system, GIS)具有强大的数据储存、处理与分析的功能, RS可客观、迅速地监测环境信息, “ 3S” 技术集成[56]对实现农业干旱的动态监测具有十分重要的意义。利用“ 3S” 技术监测农业干旱, 不仅要建立农田受灾面积和评估损失系统, 更重要的是应向着农业灾害预报与监测评估紧密结合、信息处理一体化方向发展[57]。农业干旱遥感监测所形成的多个指数, 既需要卫星遥感数据, 也需要其他数据(如气象数据)的支撑, 为此, 需建立完善的气象数据共享服务体系和卫星遥感干旱数据库, 同时加大各部门之间的交流与协作, 尽可能地实现数据共享。

4 结论

作物生长发育不同阶段具有不同的下垫面状况, 其对遥感指数的敏感性也有所差异。作物生长初期, 地表裸露或低植被覆盖, 农业干旱监测方法的构建主要基于土壤水分状况。作物生长中后期, 植被覆盖度有所增加, 干旱监测除考虑土壤水分外也要考虑植被因子。综合遥感干旱指数可用于作物生长发育不同阶段的农业干旱监测。

遥感是农业干旱监测中最具前景的技术手段。为提高我国遥感监测技术的研究水平, 推动农业干旱监测的全面化业务, 建议加强以下方面的工作研究: 1)促使监测数据源由单一数据源向多源数据融合转变; 2)实现监测指标由单一的气象监测指标转向气象、卫星遥感与作物生理物理特征相结合的综合监测指标转变; 3)逐步实现“ 3S” 技术集成与数据共享。

农业干旱的发生会受到降水、温度等自然因素影响, 也会受到作物品种等人为因素影响。农业干旱指标涉及到大气、作物、土壤环境等因子。在利用遥感手段对农业干旱监测时, 要考虑到多重因子对干旱形成和发展的共同作用, 并选择最适宜的监测方法。及时有效的农业干旱监测预测信息可以为各级政府部门提供重要的决策依据, 使其有足够时间采取应对措施, 尽可能地减少损失。

The authors have declared that no competing interests exist.

参考文献
[1] 王春乙. 中国重大农业气象灾害研究. 北京: 气象出版社, 2010: 3-5.
Wang C Y. Research on Major Agricultural Meteorological Disasters in China. Beijing: China Meteorological Press, 2010: 3-5. (in Chinese) [本文引用:]
[2] 霍治国, 王石立. 农业和生物气象灾害. 北京: 气象出版社, 2009: 5-10.
Huo Z G, Wang S L. Agricultural and Biometeorological Disasters. Beijing: China Meteorological Press, 2009: 5-10. (in Chinese) [本文引用:]
[3] 宋扬, 房世波, 卫亚星. 农业干旱遥感监测指数及其适用性研究进展. 科技导报, 2016, 34(5): 45-52.
Song Y, Fang S B, Wei Y X. Comparison of typical remote sensing drought indexes and their adaptability in agriculture. Science & Technology Review, 2016, 34(5): 45-52. (in Chinese) [本文引用:]
[4] 黄友昕, 刘修国, 沈永林, 刘诗诗, 孙飞. 农业干旱遥感监测指标及其适应性评价方法研究进展. 农业工程学报, 2015, 31(16): 186-195.
Huang Y X, Liu X G, Shen Y L, Liu S S, Sun F. Advances in remote sensing derived agricultural drought monitoring indices and adaptability evaluation methods. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(16): 186-195. (in Chinese) [本文引用:]
[5] Price J C. On the analysis of thermal infrared imagery: The limited utility of apparent thermal inertia. Remote Sensing of Environment, 1985, 18(1): 59-73. [本文引用:]
[6] 李星敏, 刘安麟, 张树誉, 王钊. 热惯量法在干旱遥感监测中的应用研究. 干旱地区农业研究, 2005, 23(1): 55-59.
Li X M, Liu A L, Zhang S Y, Wang Z. Use of thermal inertia approach in the monitoring of drought by remote sensing. Agriculture Research in the Arid Areas, 2005, 23(1): 55-59. (in Chinese) [本文引用:]
[7] 黄泽林, 覃志豪. 利用MODIS数据监测大面积土壤水分与农作物旱情研究. 安徽农业科学, 2008, 36(11): 4784-4787.
Huang Z L, Qin Z H. Study on monitoring soil moisture and crop drought in great area by using MODIS data. Journal of Anhui Agricultural Sciences, 2008, 36(11): 4784-4787. (in Chinese) [本文引用:]
[8] 吴黎, 张有智, 解文欢, 李岩, 杨树聪. 改进的表观热惯量法反演土壤含水量. 国土资源遥感, 2013, 25(1): 44-49.
Wu L, Zhang Y Z, Xie W H, Li Y, Yang S C. The inversion of soil water content by the improved apparent thermal inertia. Remote Sensing for Land & Resources, 2013, 25(1): 44-49. (in Chinese) [本文引用:]
[9] 鹿国武, 王逸鹏, 王秀芹. 利用遥感数据和气象观测数据结合监测德州旱情方法探讨. 农业科技与信息, 2016(8): 52-53, 55.
Lu G W, Wang Y P, Wang X Q. Monitoring the Dezhou drought using remote sensing data and meteorological data. Agriculture Technology and Information, 2016(8): 52-53, 55. (in Chinese) [本文引用:]
[10] 杨树聪, 沈彦俊, 郭英, 近藤昭彦. 基于表观热惯量的土壤水分监. 中国生态农业学报, 2011, 19(5): 1157-1161.
Yang S C, Shen Y J, Guo Y, Kondoh Akihiko. Monitoring soil moisture by apparent thermal inertia method. Chinese Journal of Eco-Agriculture, 2011, 19(5): 1157-1161. (in Chinese) [本文引用:]
[11] 詹志明, 秦其明, 阿布都瓦斯提·吾拉木, 汪冬冬. 基于NIR-Red光谱特征空间的土壤水监测新方法. 中国科学D辑: 地球科学, 2006, 36(11): 1020-1026.
Zhan Z M, Qin Q M, Abuduwasit·Ghulam, Wang D D. New methods of soil moisture monitoring based in NIR-Red spectra characteristic space. Science in China (Series D: Earth Sciences), 2006, 36(11): 1020-1026. (in Chinese) [本文引用:]
[12] 阿布都瓦斯提·吾拉木. 基于N维光谱特征空间的农田干旱遥感监测. 北京: 北京大学博士学位论文, 2006.
Abuduwasit·Ghulam. Agricultural drought remote sensing monitoring model based on N-dimensional spectral feature space. PhD Thesis. Beijing: Peking University, 2006. (in Chinese) [本文引用:]
[13] 陈国茜, 周秉荣, 胡爱军. 垂直干旱指数在高寒农区春旱监测中的应用研究. 遥感技术与应用, 2014, 29(6): 949-953.
Chen G X, Zhou B R, Hu A J. Applicationresearch of perpendicular drought index for spring drought monitoring on high and cold agricultural area. Remote Sensing Technology and Application, 2014, 29(6): 949-953. (in Chinese) [本文引用:]
[14] 韩涛, 蒋友严. 基于FY-3/MERSI数据的干旱监测. 草业科学, 2014, 31(9): 1645-1652.
Han T, Jiang Y Y. Drought monitoring analysis based on FY-3/MERSI data. Pratacultural Science, 2014, 31(9): 1645-1652. (in Chinese) [本文引用:]
[15] Wang L, Qu J J. NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing. Geophysical Research Letters, 2007, 34(20): 117-131. [本文引用:]
[16] 张红卫, 陈怀亮, 周官辉, 赵百胜, 高正庆. 归一化多波段干旱指数在农田干旱监测中的应用. 科技导报, 2009, 27(11): 23-26.
Zhang H W, Chen H L, Zhou G H, Zhao B S, Gao Z Q. Application of normalized multi-band drought index method in cropland drought monitoring. Science & Technology Review, 2009, 27(11): 23-26. (in Chinese) [本文引用:]
[17] 杜晓, 王世新, 周艺, 魏华. 一种新的基于EOS/MODIS的地表含水量模型构造与验证. 武汉大学学报(信息科学版), 2007, 32(3): 205-208.
Du X, Wang S X, Zhou Y, Wei H. Construction and validation of a new model for unified surface water capacity based on MODIS data. Geomatics and Information Science of Wuhan University, 2007, 32(3): 205-208. (in Chinese) [本文引用:]
[18] Bannari A, Morin D, Bonn F, Huete R. A review of vegetation indices. Remote Sensing Reviews, 1995, 13(1): 95-120. [本文引用:]
[19] 王玮, 冯琦胜, 郭铌, 沙莎, 胡蝶, 王丽娟, 李耀辉. 基于长时间序列NDVI资料的我国西北干旱区植被覆盖动态监测. 草业科学, 2015, 32(12): 1969-1979.
Wang W, Feng Q S, Guo N, Sha S, Hu D, Wang L J, Li Y H. Dynamic monitoring of vegetation coverage based on long time-series NDVI data sets in northwest arid region of China. Pratacultural Science, 2015, 32(12): 1969-1979. (in Chinese) [本文引用:]
[20] 赵新来, 李文龙, Xulin Guo, 余翠, 赵玉婷, 许静. Pa、SPI和SPEI干旱指数对青藏高原东部高寒草地干旱的响应比较. 草业科学, 2017, 34(2): 273-282.
Zhao X L, Li W L, Guo X L, Yu C, Zhao Y T, Xu J. Theresponses of Pa, SPI, and SPEI to dry climate in alpine meadows of eastern Qinghai-Tibet Plateau. Pratacultural Science, 2017, 34(2): 273-282. (in Chinese) [本文引用:]
[21] 赵秀霞, 楚新正, 马晓飞, 莫丰瑞. 基于像元二分模型的艾比湖湿地NDVI指数对微气候的响应. 草业科学, 2017, 34(6): 1168-1177.
Zhao X X, Chu X Z, Ma X F, Mo F R. Ebinur Lake Wetland vegetation coverage in response to a micro-climate change. Pratacultural Science, 2017, 34(6): 1168-1177. (in Chinese) [本文引用:]
[22] 孙丽, 王飞, 吴全. 干旱遥感监测模型在中国冬小麦区的应用. 农业工程学报, 2010, 26(1): 243-249, 389.
Sun L, Wang F, Wu Q. Drought monitoring by remote sensing in winter-wheat-growing area of China. Transactions of the CSAE, 2010, 26(1): 243-249, 389. (in Chinese) [本文引用:]
[23] 李亚刚, 李文龙, 刘尚儒, 秦兰兰. 基于遥感技术的甘南牧区草地植被状况多年动态. 草业科学, 2015, 32(5): 675-685.
Li Y G, Li W L, Liu S R, Qin L L. Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area. Pratacultural Science, 2015, 32(5): 675-685. (in Chinese) [本文引用:]
[24] Liu H Q, Huete A. A feedback based modification of the NDVI to minimize canopy background and atmosphericnoise. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(2): 457-465. [本文引用:]
[25] Kogan F S. Development of global drought-watch system using NOAA/AVHRR data. Advances in Space Research, 1993, 13(5): 219-222. [本文引用:]
[26] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote Sensing, 1990, 11(8): 1405-1420. [本文引用:]
[27] Ghulam A, Qin Q, Teyip T, Li Z L. Modified perpendicular drought index(MPDI): A real-time drought monitoring method. Isprs Journal of Photogrammetry & Remote Sensing, 2007, 62(2): 150-164. [本文引用:]
[28] 孙灏, 陈云浩, 孙洪泉. 典型农业干旱遥感监测指数的比较及分类体系. 农业工程学报, 2012, 28(14): 147-154.
Sun H, Chen Y H, Sun H Q. Comparisons and classification system of typical remote sensing indexes for agricultural drought. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(14): 147-154. (in Chinese) [本文引用:]
[29] 冯海霞, 秦其明, 蒋洪波, 董恒, 张宁, 王金梁, 刘明超. 基于HJ-1A/1B CCD数据的干旱监测. 农业工程学报, 2011, 27(S1): 358-365.
Feng H X, Qin Q M, Jiang H B, Dong H, Zhang N, Wang J L, Liu M C. Drought monitoring based on HJ-1A/1B CCD data. Transactions of the CSAE, 2011, 27(S1): 358-365. (in Chinese) [本文引用:]
[30] 晏明, 丁春雨. 基于遥感监测的农业旱灾监测研究. 基层农技推广, 2013, 1(10): 22-26.
Yan M, Ding C Y. The research of agricultural drought monitoring based on remote sensing. Primary Agricultural Technology Extension, 2013, 1(10): 22-26. (in Chinese) [本文引用:]
[31] Jackson R D, Idso S B. Canopy temperature as a crop water stress indicator. Water Resource Research, 1981, 17(4): 1133-1138. [本文引用:]
[32] Idso S B, Jcckson R D, Pinter P J Jr, Reginato R J, Hatfield J L. Normalizing the stress degree day for environmental variability. Agricultural Meteorogy, 1981(24): 45-55. [本文引用:]
[33] 申广荣, 田国良. 作物缺水指数监测旱情方法研究. 干旱地区农业研究, 1998, 16(1): 126-131.
Shen G R, Tian G L. Drought monitoring with crop water stress index. Agricultural Research in the Arid Areas, 1998, 16(1): 126-131. (in Chinese) [本文引用:]
[34] 刘安麟, 李星敏, 何延波, 邓凤东. 作物缺水指数法的简化及在干旱遥感监测中的应用. 应用生态学报, 2004, 15(2): 210-214.
Liu A L, Li X M, He Y B, Deng F D. Simplification of crop shortage water index and its application in drought remote sensing monitoring. Chinese Journal of Applied Ecology, 2004, 15(2): 210-214. (in Chinese) [本文引用:]
[35] 田国珍, 武永利, 梁亚春, 杨超. 基于蒸散发的干旱监测及时效性分析. 干旱区地理, 2016, 39(4): 721-729.
Tian G Z, Wu Y L, Liang Y C, Yang C. Drought monitoring and timeliness based on evapotranspiration model. Arid Land Geography, 2016, 39(4): 721-729. (in Chinese) [本文引用:]
[36] 张红卫, 陈怀亮, 申双和, 孙睿. 基于MODIS数据的农田浅层土壤湿度指数的构造与应用. 北京: 中国气象学会农业气象与生态学委员会, 南京信息工程大学, 中国农学会农业气象分会, 中国农科院环境与可持续发展研究所, 2009: 6.
Zhang H W, Chen H L, Shen S H, Sun R. Structure and application of soil moisture index in shallow soil based on MODIS data. Beijing: Chinese Meteorological Society Agricultural Meteorology and Ecology Committee, Nanjing University of Information Science & Technology, Agricultural Meteorological Branch of China Agricultural Society, Institute of Environment and Sustainable Development in Agriculture, CAAS. 2009: 6. (in Chinese) [本文引用:]
[37] 王建博, 王蕾彬. 基于植被供水指数的山东省2013年春季旱情监测. 山东农业科学, 2015, 47(1): 111-116.
Wang J B, Wang L B. Drought monitoring in Shand ong Province in spring of 2013 based on vegetation supply water index. Shand ong Agriculture Sciences, 2015, 47(1): 111-116. (in Chinese) [本文引用:]
[38] 张洁, 武建军, 周磊, 雷添杰, 刘明. 基于MODIS数据的农业干旱监测方法对比分析. 遥感信息, 2012, 27(5): 48-54.
Zhang J, Wu J J, Zhou L, Lei T J, Liu M. Comparative study on remotely sensed methods of monitoring agriculture drought based on MODIS data. Remote Sensing Information, 2012, 27(5): 48-54. (in Chinese) [本文引用:]
[39] 李新辉, 宋小宁, 周霞. 半干旱区土壤湿度遥感监测方法研究. 地理与地理信息科学, 2010, 26(1): 90-93, 113.
Li X H, Song X N, Zhou X. Study on methods of monitoring soil moisture by remote sensing in semi-arid areas. Geography and Geo-Information Science, 2010, 26(1): 90-93, 113. (in Chinese) [本文引用:]
[40] Sand holt L, Rasmussen K, Andersen J. A simpleinterpretation of the surface temperature/vegetation indexspace for assessment of surface moisture status. Remote Sensing of Environment, 2002, 79(2/3): 213-224. [本文引用:]
[41] 杨秀海, 卓嘎, 罗布. 基于MODIS数据的西北地区旱情监测. 草业科学, 2011, 28(8): 1420-1426.
Yang X H, Zhuoga, Luobu. On MODIS data based drought monitoring in northwest China. Pratacultural Science, 2011, 28(8): 1420-1426. (in Chinese) [本文引用:]
[42] 鲍艳松, 严婧, 闵锦忠, 王冬梅, 李紫甜, 李鑫川. 基于温度植被干旱指数的江苏淮北地区农业旱情监测. 农业工程学报, 2014, 30(7): 163-172.
Bao Y S, Yan J, Min J Z, Wang D M, Li Z T, Li X C. Agricultural drought monitoring in north Jiangsu by using temperature vegetation dryness index. Transactions of the Chinese Society of Agriculture Engineering, 2014, 30(7): 163-172. (in Chinese) [本文引用:]
[43] 姚春生, 张增祥, 汪潇. 使用温度植被干旱指数法(TVDI)反演新疆土壤湿度. 遥感技术与应用, 2004, 19(6): 437-478.
Yao C S, Zhang Z X, Wang X. Evaluating soil moisture status in Xinjiang using the temperature vegetation dryness index. Remote Sensing Technology and Application, 2004, 19(6): 437-478. (in Chinese) [本文引用:]
[44] 李春强, 李红军. TVDI在冬小麦春季干旱监测中的应用. 遥感技术与应用, 2008, 23(2): 161-165.
Li C Q, Li H J. The application of TVDI in drought monitoring for winter wheat in spring. Remote Sensing Technology and Application, 2008, 23(2): 161-165. (in Chinese) [本文引用:]
[45] 张喆, 丁建丽, 李鑫, 鄢雪英. TVDI用于干旱区农业旱情监测的适宜性. 中国沙漠, 2015, 35(1): 220-227.
Zhang Z, Ding J L, Li X, Yan X Y. Suitability of TVDI used to monitor agricultural drought in arid area. Journal of Desert Research, 2015, 35(1): 220-227. (in Chinese) [本文引用:]
[46] 郝小翠, 张强, 杨泽粟, 王晓巍, 岳平, 韩涛, 王胜. 一种基于地表能量平衡的遥感干旱监测新方法及其在甘肃河东地区干旱监测中的应用初探. 地球物理学报, 2016, 59(9): 3188-3201.
Hao X C, Zhang Q, Yang Z S, Wang X W, Yue P, Han T, Wang S. A new method for monitoring based on land surface energy balance and its preliminary application to the Hedong region of Gansu Province. Chinese Journal of Geophysics, 2016, 59(9): 3188-3201. (in Chinese) [本文引用:]
[47] 张文宗, 姚树然, 赵春雷, 王云秀. 利用MODIS资料监测和预警干旱新方法. 气象科技, 2006, 34(4): 501-504.
Zhang W Z, Yao S R, Zhao C L, Wang Y X. New method for drought monitoring and prewarning with EOS/MODIS. Meteorological Science and Technology, 2006, 34(4): 501-504. (in Chinese) [本文引用:]
[48] 郑有飞, 刘茜, 王云龙, 吴荣军, 陈鹏. 能量指数法在黑龙江干旱监测中的适用性研究. 土壤, 2012, 44(1): 149-157.
Zheng Y F, Liu X, Wang Y L, Wu R J, Chen P. Application of energy index method on drought monitoring in Heilongjiang. Soils, 2012, 44(1): 149-157. (in Chinese) [本文引用:]
[49] 夏虹. 农业干旱多尺度遥感监测方法研究. 北京: 北京师范大学博士学位论文, 2008.
Xia H. Multi-scale remote sensing monitoring method for agricultural drought. PhD Thesis. Beijing: Beijing Normal University, 2008. (in Chinese) [本文引用:]
[50] 蒋友严, 韩涛, 徐燕, 王小巍, 王大为. 基于多源卫星数据的3种干旱遥感监测效果比较. 干旱地理农业研究, 2014, 32(2): 47-51.
Jiang Y Y, Han T, Xu Y, Wang X W, Wang D W. Comparison of drought monitoring effects based on multi-source remote sensing data of satellite. Agricultural Research in the Arid Areas, 2014, 32(2): 47-51. (in Chinese) [本文引用:]
[51] Sellars S, Nguyen P, Chu W, Chu W, Gao X, Hsu K, Sorooshian S. Computational earth science: Big data transformed into insight. EOS, Transactions American Geophysical Union, 2013, 94(32): 277-288. [本文引用:]
[52] Brown J F, Wardlow B D, Tadesse T, Hayes M J, Reed B C. The vegetation drought response index (VegDRI): A new integrated approach for monitoring drought stress in vegetation. Giscience & Remote Sensing, 2008, 45(1): 16-46. [本文引用:]
[53] Aghakouchak A, Farahmand A, Melton F S, Teixeira J, Anderson M C, Wardlow B D, Hain C R. Remote sensing of drought: Progress, challenges and opportunities. Reviews of Geophysics, 2015, 53(2): 452-480. [本文引用:]
[54] Zhou L, Wu J J, Mo X Y, Zhou H K, Diao C Y, Wang Q F, Chen Y H, Zhang F Y. Quantitative and detailed spatiotemporal patterns of drought in China during 2001-2013. Science of the Total Environment, 2017, 589: 136-145. [本文引用:]
[55] 杜灵通, 田庆久, 王磊, 黄彦, 南岭. 基于多源遥感数据的综合干旱监测模型构建. 农业工程学报, 2014, 30(9): 126-132.
Du L T, Tian Q J, Wang L, Huang Y, Nan L. A synthesized drought monitoring model based on multi-source remote sensing data. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(9): 126-132. (in Chinese) [本文引用:]
[56] 李德仁. 论RS, GPS与GIS集成的定义、理论与关键技术. 遥感学报, 1997, 1(1): 64-68.
Li D R. Ondefinition, theory and key technics of the integration of GPS, RS and GIS. Journal of Remote Sensing, 1997, 1(1): 64-68. (in Chinese) [本文引用:]
[57] 刘凤仙. 基于3S的农业干旱监测方法综述. 中国西部科技, 2010, 17(9): 12-13, 43.
Liu F X. A review of agricultural drought monitoring methods based on 3S. Science and Technology of West China, 2010, 17(9): 12-13, 43. (in Chinese) [本文引用:]
58 (责任编辑王芳) [本文引用:]